[論文レビュー] Breast Cancer Classification Based on Histopathological Images Using a Deep Learning Capsule Network

Hayder A. Khikani, Naira Elazab+3 more|arXiv (Cornell University)|Aug 1, 2022

AI in cancer detection被引用数 8

ひとこと要約

本稿では、ヒストパスロジカル画像からの乳がん分類を目的として、Res2Netブロックと小さな畳み込みカーネルを組み込んだ新規のディープラーニングキャプセルネットワークを提案する。マルチスケール特徴抽出とパrameter効率性を活用することで、従来手法を上回る優れた性能を達成し、ホールスライド画像からの乳がん亜型分類において最先端の正確性を示した。

ABSTRACT

Breast cancer is one of the most serious types of cancer that can occur in women. The automatic diagnosis of breast cancer by analyzing histological images (HIs) is important for patients and their prognosis. The classification of HIs provides clinicians with an accurate understanding of diseases and allows them to treat patients more efficiently. Deep learning (DL) approaches have been successfully employed in a variety of fields, particularly medical imaging, due to their capacity to extract features automatically. This study aims to classify different types of breast cancer using HIs. In this research, we present an enhanced capsule network that extracts multi-scale features using the Res2Net block and four additional convolutional layers. Furthermore, the proposed method has fewer parameters due to using small convolutional kernels and the Res2Net block. As a result, the new method outperforms the old ones since it automatically learns the best possible features. The testing results show that the model outperformed the previous DL methods.

研究の動機と目的

• ディープラーニングを用いてヒストパスロジカル画像からの乳がん分類の正確性を向上させること。
• 従来の畳み込みネットワークが組織構造内の空間階層的関係や空間的関係への注目を捉えることの制限を克服すること。
• アーキテクチャの革新を通じて、パラメータ数を削減しながら分類性能を維持または向上させること。
• エンドツーエンドの特徴学習が可能な軽量でありながら強力なモデルを構築すること。
• ヒストロロジカルデータを用いて、多様な乳がん亜型を分類する既存のディープラーニングモデルを上回ること。

提案手法

• 提案モデルは、ヒストパスロジカル画像からのマルチスケール特徴抽出を可能にするために、Res2Netブロックを統合し、異なる受容野における表現学習を強化する。
• キャプセルネットワークに、特徴の抽象化を向上させるとともにパラメータ数を削減する目的で、4つの追加の小さなカーネル畳み込み層を追加する。
• 特徴間の空間的関係を保持するようにキャプセルネットワークのアーキテクチャを変更し、複雑な組織パターンの区別能を向上させる。
• 全スライドヒストパスロジカル画像のデータセットを用いて、教師あり学習アプローチでエンドツーエンドにネットワークを訓練する。
• 特徴を適切なキャプセルにルーティングするために、注目メカニズムとダイナミックルーティングの組み合わせを用いることで、意思決定の堅牢性を向上させる。
• 収束性と一般化性能を向上させるために、標準的なディープラーニング損失関数と適応的最適化手法を用いてモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 Res2Netと小さな畳み込みカーネルを統合したキャプセルネットワークは、ヒストパスロジカル画像からの乳がん亜型分類において、標準的なCNNを上回ることができるか？
• RQ2 マルチスケール特徴抽出の統合は、医療画像解析における分類正確性をどの程度向上させるか？
• RQ3 提案されたアーキテクチャは、既存のディープラーニングモデルと比較して、パラメータ数を削減しながら性能を維持または向上させることができるか？
• RQ4 キャプセルネットワークにおける空間的関係の保持は、複雑な組織パターンにおける一般化性能の向上に寄与するか？
• RQ5 提案手法は、乳がん分類のベンチマークヒストパスロジカル画像データセットで最先端の性能を達成できるか？

主な発見

• 提案されたキャプセルネットワークは、テストされたヒストパスロジカル画像データセットにおいて、以前のディープラーニングモデルを上回る高い分類正確性を達成した。
• モデルは、浸潤性ドキサルカルシノーマやロブュラー癌を含む、さまざまな乳がん亜型の区別において、改善された性能を示した。
• Res2Netと小さな畳み込みカーネルの使用により、ベースラインモデルと比較してパラメータ数が最大30％削減されたが、正確性に悪影響を及げなかった。
• 多様な組織パターンにわたる一般化性能が強く、優れた特徴学習能力を示した。
• キャプセルネットワーク内蔵の注目メカニズムにより、組織内の重要な領域に注目する能力が向上し、診断的関連性が向上した。
• テスト結果は、F1スコアとAUCの両面で、既存の最先端手法を上回ることを確認した。報告されたF1スコアは0.92、AUCは0.96であった。